Publication: Estrategia computacional para predecir la calidad del café tostado a partir de variables del proceso utilizando algoritmos de machine learning
Loading...
Date
2025
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Corporación Universitaria Remington
Abstract
Este proyecto se enfoca en el análisis de datos del proceso de tostión de café y propone un modelo computacional para predecir la calidad final del producto utilizando estrategias de machine learning, específicamente algoritmos de clustering y regresión. El análisis de datos inicia con la recopilación de información relevante del proceso productivo, incluyendo variables como temperatura, tiempo de tostión, humedad del grano, tipo de café y perfil de tueste. La información obtenida es sometida a un proceso de limpieza, transformación y normalización con el objetivo de garantizar la calidad, homogeneidad y confiabilidad de los datos. Posteriormente, se aplican algoritmos de clustering como K-Means y DBSCAN, con el propósito de segmentar los lotes de café en grupos con características de cocción similares, lo cual permite entender los patrones de tostado más frecuentes y eficientes. A partir de estos segmentos homogéneos, se desarrollan modelos predictivos que estiman la calidad sensorial del café (fragancia, sabor, acidez y cuerpo), clasificando el producto en categorías como bueno, regular o deficiente. La calidad del modelo se evalúa mediante métricas como el silhouette score para validar la coherencia de los clusters, y el R² o MAE en el caso de modelos de regresión. Los resultados demuestran que la combinación de análisis estadístico con algoritmos de machine learning permite optimizar el proceso de tostión, mejorar la estandarización del producto final y tomar decisiones informadas en tiempo real, lo cual aporta significativamente al control de calidad en el sector cafetero.
Description
Keywords
Café tostado, Calidad sensorial, Machine learning, Regresión, Clustering, K-Means, DBSCAN, Tostión, Procesamiento de café, Predicción de calidad